新闻详情

新闻详情

首页 / 资讯中心 / 详情

WeWrite审稿模块实战:5项编辑判断让公众号文章真正可以交付

发布时间:2026/11/22 2:15:18来源:尧图网络
WeWrite审稿模块实战:5项编辑判断让公众号文章真正可以交付
WeWrite审稿模块实战5项编辑判断让公众号文章真正可以交付【免费下载链接】wewrite公众号内容全流程 Skill从热点抓取到微信草稿箱一句话跑完整条内容管道项目地址: https://gitcode.com/gh_mirrors/wew/wewriteWeWrite 是一个给 AI Agent 用的公众号内容全流程 Skill而它的审稿模块wewrite-review正是初稿变可交付成稿的最后一道门槛。AI 写的文章往往看起来像文章但不一定准确、有观点、对读者有用。审稿模块用5 项编辑判断逐条把关准确、观点、有用、合声、好读不通过就直接改稿复审通过了才生成成稿和编辑报告。为什么 AI 写稿还需要一道审稿初稿不等于成稿。WeWrite 的主流程把写作拆成了任务书、主张清单、初稿、审稿四步其中审稿规则定义在 skills/wewrite-review/SKILL.md。它要回答的不是文笔好不好而是三个更硬的问题答没答对题文章是否真的回应了任务书里audience.question核心判断是否与thesis一致事实站不站得住正文里的数字、日期、引述能否逐项对上来源读者拿不走什么结尾是否交付了明确结论或可执行行动。无关段落会被直接删除而不是用漂亮的结构掩盖答非所问。审稿前的两步准备对齐任务与核对事实对齐文章任务书每篇任务都保存有brief.yaml任务书和claims.yaml主张清单格式见 skills/wewrite-write/references/article-brief.md。审稿第一件事就是把正文逐节对到这两个文件每节是否推进了指定主张查不到对应主张的段落默认删除。事实与个人材料核对运行wewrite sources list --json把正文中的具体数字、日期、引述、研究结论逐项对到claims.yaml和原始来源。来源不支持时优先补查查不到就删除、缩小或改成明确的推断——不能用模型记忆补洞。个人材料也有硬边界第一人称事件、朋友同事、对话和感官细节必须来自本次任务明确记录的用户材料否则属于阻断问题直接删除或改成非亲历论述。5项编辑判断标准详解完整标准见 skills/wewrite-write/references/editorial-quality.md五项各评 1-5 分维度关键问题准确核心事实有直接来源吗事实、推断、意见分得开吗观点核心判断明确吗有新增价值、适用范围和最强反方吗有用真的回答了读者的问题吗有可执行行动或判断框架吗合声符合账号语气吗个人经历只来自用户材料吗好读开头迅速进入问题吗论证连贯、语言直接吗同时列出阻断问题如编造作者亲历、核心事实无来源、论点与证据脱节、没有给读者明确结论——任一出现都不能交付。三种编辑决定pass、revise、needs_input评分之后是决定规则非常克制pass平均分 ≥ 4、单项不低于 3、没有阻断问题revise能在现有材料内修正必须直接修改后重新走一遍检查不得只写建议needs_input仅限用户明确要求个人故事而材料不足的情况。最多两轮。第二轮仍未通过时不假装通过而是删除不可靠内容、缩小承诺交付一个能被证据支持的可靠版本。这个宁可短一点、也不贴错误的可交付标签的设计是审稿模块最值钱的地方。生成编辑报告wewrite content-eval 一条命令通过后先把编辑判断写成任务目录里的assessment.yamldecision: pass pass_number: 1 dimensions: accuracy: 4 viewpoint: 4 usefulness: 4 voice: 4 readability: 4 blockers: [] major_issues: [] notes: 再运行报告生成命令wewrite content-eval --draft {draft_path} --final {article_path} \ --assessment {assessment_path} --output {review_report_path} --json报告里的publishable字段由代码硬性判定只有decisionpass、无阻断问题、最低分 ≥ 3、平均分 ≥ 4 时才为true判定逻辑见 src/wewrite/commands/content_eval.py。报告还会算出初稿到终稿的修改幅度edit_ratio和章节结构是否变化方便追溯这一轮到底改了多少。标题、摘要与标签SEO 收尾审稿同时负责检索信息的收尾规则在 skills/wewrite-review/references/seo-rules.md一个主标题 两个角度不同但同样准确的备选标题40 字内摘要概括核心判断或读者收益不制造正文没有回答的悬念3-5 个能准确描述文章的标签。关键词自然出现即可不设密度硬塞数字和反直觉写法只有正文确实支持时才用不为打开率虚构比例和承诺。审稿阶段不调用配图视觉是文章完成后的可选动作。快速上手仓库克隆后一条命令安装git clone --depth 1 https://gitcode.com/gh_mirrors/wew/wewrite cd wewrite bash install.sh装好后对 Agent 说检查一下这篇文章就会路由到审稿模块单独用 CLI 也能跑wewrite score article.md --verbose # 11 项机械检查套话、碎句、节奏过齐 wewrite content-eval --draft d.md --final f.md --assessment a.yaml --json注意wewrite score的分数只用于定位套话和句式风险不设机械及格线不能替代编辑判断。相关文件速查审稿模块主规则skills/wewrite-review/SKILL.md标题摘要检索规则skills/wewrite-review/references/seo-rules.md五项编辑标准skills/wewrite-write/references/editorial-quality.md任务书与主张清单格式skills/wewrite-write/references/article-brief.md报告生成源码src/wewrite/commands/content_eval.py一句话总结WeWrite 的审稿模块不追求把分刷高而是用 5 项编辑判断 硬性 publishable 门槛确保交付到你手里的每篇公众号文章事实站得住、观点说得出、读者用得上。【免费下载链接】wewrite公众号内容全流程 Skill从热点抓取到微信草稿箱一句话跑完整条内容管道项目地址: https://gitcode.com/gh_mirrors/wew/wewrite创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/21 14:14:45

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/21 14:14:26

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/21 21:08:55

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/22 1:51:41

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/21 19:02:25

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/21 14:13:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉